Analisi predittive: linee guida

Glickon Blog

L’analisi predittiva viene spesso pubblicizzata come la soluzione definitiva – e in alcuni casi può anche esserlo. Tuttavia, alcune idee sbagliate limitano l’efficacia dei modelli predittivi o addirittura ne ostacolano lo sviluppo. In questo articolo affronteremo le “idee sbagliate” mostrando tre linee guida per l’analisi predittiva.

Leggi anche: People Analytics: cos’è e perché è un vantaggio per l’azienda?

Analisi predittiva: il contesto

L’analisi predittiva ha sempre svolto un ruolo fondamentale in settori come le ricerche di mercato, in cui si debba prevedere un contesto, ad esempio una tendenza del mercato stesso. Questo tipo di modelli prevedono in genere qualcosa che è al di fuori del nostro controllo: uno sviluppo che dobbiamo affrontare e adattarci quando prendiamo decisioni, come lo stipendio medio previsto per i professionisti IT nei prossimi anni.

I modelli predittivi assumono un nuovo ruolo nella people analytics, perché non si limitano a prevedere un ambiente al di fuori del nostro controllo. Al contrario: vogliono prevedere le ciò che accadrà in modo da poter intervenire tempestivamente.

Interferire con ciò che prevedi complica le cose. Richiede alcune considerazioni che in genere vengono ignorate quando si prevede un contesto in senso classico. Le possibilità di successo con l’analisi predittiva sono notevolmente aumentate quando si tengono presenti le tre linee guida:

tre linee guida per l'analisi predittiva

 

1. Concordare sul significato di “predittivo”

Essendo così popolare, l’analisi predittiva è diventata una soluzione di riferimento in quanto il termine è al top delle discussioni web. È anche un concetto ampio, con il rischio intrinseco di una cattiva comunicazione: tutti i soggetti coinvolti attribuiscono lo stesso significato quando parlano “modello predittivo”?

Nell’analisi, il termine predittivo non è sempre usato in senso temporale. Sì, a volte si tratta di stimare i costi del prossimo trimestre, ma potrebbe essere altrettanto facile determinare una corrispondenza tra chi richiede più budget e una determinata funzione all’interno dell’azienda. I modelli predittivi riguardano risultati probabili, spesso indipendentemente dal tempo.

Inizia con il problema aziendale e lavora da quel punto lì per vedere come può supportarlo un modello (predittivo). Ciò consentirà di affrontare potenziali disallineamenti delle aspettative tra le parti interessate, poiché la parola “predittivo” può avere connotazioni diverse. Un stakeholder potrebbe voler conoscere un numero previsto, mentre un altro vuole un modello che “predice dove e come possono agire”.

Consiglio: Non rimanere bloccato sul termine “predittivo” e collabora con le parti interessate per decidere quali approfondimenti sono necessari e in che modo può contribuire un modello.

2. Favorire la trasparenza rispetto alle prestazioni

Nei media leggiamo spesso modelli molto precisi, ad esempio per prevedere l’attrition. Le affermazioni sull’accuratezza del 95% di un modello di apprendimento automatico sembrano impressionanti, ma cosa significano?

Questi numeri in realtà significano meno di quanto la maggior parte della gente pensi. Per ora, supponiamo che significhi che il modello è affidabile. In tal caso, vogliamo che i punteggi delle prestazioni di un determinato modello passino attraverso questa percentuale, giusto?

Non necessariamente. In generale, esiste un compromesso tra prestazioni del modello e trasparenza: più potente e preciso è il modello, più difficile è per noi umani comprendere come trasformare i dati in un determinato output o previsione.

Potenza e complessità del modello

Possiamo dire che nella maggior parte dei casi le prestazioni effettive di un modello sono secondarie alla trasparenza dei modelli stessi. Senza un indizio su questi schemi, il modello può non essere chiaro: ti dice cosa può succedere, ma non perché. È esattamente il “perché” che dobbiamo conoscere per informare le nostre decisioni.

Ciò che ci aiuta è sapere quali dati vengono utilizzati dal modello. Le prestazioni del modello indicano quindi quanto può essere informato il nostro processo decisionale quando comprendiamo e consideriamo gli stessi schemi.

Un’altra cosa da considerare è “lift”, che è il modo in cui le prestazioni del modello si confrontano con il livello casuale. Dopotutto, un punteggio di precisione del 60% sembra deludente, ma potrebbe essere un miglioramento rispetto al livello di probabilità.

Per capire il modello, non vorresti sapere cosa usa lo stesso per migliorare le sue prestazioni, piuttosto che indovinarlo? Anche se un modello non è abbastanza affidabile da giustificare l’implementazione come soluzione digitale, può comunque essere prezioso per il processo decisionale.

visualizzazione classica vs visualizzazione alternativa

Alla fine, l’obiettivo è quello di avere un’idea delle motivazioni alla base, in modo da poter intervenire laddove necessario. La maggiore trasparenza raramente danneggia l’utilità di un modello.

3. Cosa può essere influenzato

Anche quando tutti concordano su cosa dovrebbe essere previsto e il tuo modello è trasparente, potresti scoprire che non esiste mai un modo chiaro per utilizzare le informazioni acquisite.

Per contrastare ciò, bisogna tenere conto di ciò che può essere influenzato o controllato. Ad esempio, i modelli per prevedere l’assenteismo dei dipendenti possono fare molto affidamento sull’età o sul genere per fornire un risultato, ma su nessuno di questi un’organizzazione può intervenire.

Potresti prendere invece in considerazione l’aggiunta di dati su turni notturni, turni brevi o lunghi, da soli o in team e così via. Questi sono fattori che possono essere modificati e quindi hanno maggiori probabilità di produrre risultati attuabili.

Raccogli informazioni sui processi aziendali pertinenti, identifica le fonti di dati correlate e utilizzale, se possibile. In questo modo, è più probabile che il tuo modello fornisca informazioni su come i processi aziendali sono correlati e ciò che si potrebbe fare per migliorarli.

Concludendo

Le linee guida descritte in questo articolo mirano ad ottenere un risultato utile nelle analisi predittive, sin dall’inizio, garantendo:

  1. un accordo su obiettivo e aspettative comuni (significato di “predittivo”)
  2. favorire approfondimenti sull’acquisto di uno strumento digitale (compromesso tra prestazioni / trasparenza)
  3. lavorare per pertinenza e risultati attuabili (prendendo in considerazione ciò che può essere preso di mira dalle azioni)